今日学习：https://github.com/anthropics/anthropic-cookbook/tree/main/tool_use学习如何将 LLM 与外部工具和功能集成以扩展其能力。

在本次作业中，我们将通过基准测试和性能分析不同规模的模型，以更好地理解性能变化规律。为了直观感受规模对性能的影响，我们将使用以下模型配置。所有模型的词汇表大小均为 10,000，批量大小（batch size）为 4，仅上下文长度（context length）不同。本次作业（及后续作业）需要呈现大量表格形式的结果，我们强烈建议你通过代码自动生成报告中的表格——因为手动用 LaTeX 或 Mark

文档翻译 https://github.com/vanna-ai/vanna/blob/main/papers/ai-sql-accuracy-2023-08-17.mdAI生成SQL的准确性：通过测试不同大语言模型及上下文策略来最大化SQL生成准确率内容提要打造能够直接回答业务人员纯英文提问的自主AI智能体，这一前景虽然诱人但至今难以实现。许多人尝试让ChatGPT编写SQL查询语句，但成效有限

语言模型的有效应用可以给企业带来巨大经济效益，本文就介绍了Windows平台的部署所需要的模型的安装步骤并构建本地知识库。以上就是关于地道老北京炸酱面的制作方法(并不是)，本文仅仅简单介绍了AnythingLLM的使用，而如何提供 API 接口供其他设备使用，敬请期待下一篇博客。

本文翻译自langgraph官网：https://langchain-ai.github.io/langgraph/tutorials/workflows/

上篇博客中，笔者熟悉了MCP客户端开发流程，使用client.py成功调用本地ollama。本文主要记录了MCP服务器开发流程，并实现了天气查询功能。

在与众多致力于LLM智能体开发的团队合作过程中我们发现，一个现象始终贯穿不同行业：真正取得显著成效的，往往都是那些采用简洁、可组合模式的实施方案，而非复杂繁琐的框架体系。

博客只用于公开课程的学习记录（全英文看着费劲）。本文的完整代码，也可从笔者的下载。您将使用LangGraph的开源抽象架构。ReAct智能体是一种采用"推理与行动"框架的AI智能体，它将思维链推理与外部工具使用相结合。这一框架通过论文《ReAct: Synergizing Reasoning and Acting in Language Models》而广为人知。现在，我们希望扩展calculat

第一章的笔记只是做浅层的了解。其中有ai帮我总结的内容，有的知识点我也不太理解…a. 大模型外部工具基本概念 b. MCP技术协议核心概念在 MCP 之前，开发者常常针对每个数据源或工具编写“​N×M​”次适配器，集成成本高且维护困难​。MCP 将外部功能抽象为三类接口——资源（Resources）、工具（Tools）、提示模板（Prompts），模型只需通过统一的 JSON-RPC 调用即可访问

上篇文章中，笔者在Windows平台安装了docker和RAGFlow，建立了本地知识库。本文接下来要介绍如何使用 RAGFlow 实现 Text2SQL。Text2SQL利用自然语言处理（NLP）技术，将用户用日常语言提出的问题..